锂电池SOC与SOP的联合估计

锂离子电池精确的荷电状态(SOC)和功率状态(SOP)对于电动汽车的稳定运行尤为重要,对此提出了一种锂电池SOC与多约束条件下SOP的联合估计方法。首先,建立了二阶RC等效电路模型,并运用迭代无迹卡尔曼滤波算法来估计荷电状态;然后,结合荷电状态的估计结果,在多约束条件下对SOP进行联合估计;最后,在动态应力工况和快速脉冲工况下对联合估计算法进行了MATLAB仿真测试验证。结果验证了所提联合估计算法对于SOC和SOP联合估计的有效性,并且具有较高的估计精度和较好的鲁棒性。     

基于FFRLS和EKF算法的磷酸铁锂电池SOC估算研究

准确估计荷电状态是磷酸铁锂电池安全工作和电动汽车正常使用的基础,以混合的简化电化学模型为基础,使用遗忘因子递推最小二乘法(FFRLS)对模型的参数进行辨识。对安时积分法进行参数修正,降低了充放电倍率,温度等因素的影响,并对扩展卡尔曼滤波(EKF)进行改进,使得观测值的修正能力提高。以参数修正过的按时积分法的方程为状态方程,结合开路电压法,利用改进过的EKF进行SOC的估计。与安时积分法相比,SOC的估算效果提高了不少,使估算偏差保持在3%以内。     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

基于LM-RLS和渐消因子EKF算法的锂电池SOC估计

为提高复杂工作环境下锂电池荷电状态估计精度,以三元锂离子电池为研究对象,采用限定记忆递推最小二乘法与渐消因子扩展卡尔曼滤波算法相结合进行荷电状态估计。以有限组数据计算当前时刻模型参数,解决数据饱和问题。在扩展卡尔曼滤波算法中加入渐消因子,弱化旧数据的影响,实时调整误差协方差矩阵。为验证算法的合理性,建立二阶RC等效模型,对不同工况进行荷电状态估计。验证结果表明,算法估计精确度高且稳定性好。系统稳定后,HPPC、BBDST工况中的荷电状态最大估算误差分别为0.014 4和0.008 5,且波动范围较小,验证了改进算法估计锂电池荷电状态时的良好性能。     

基于RLS与EKF算法的锂电池SOC估计

准确估计荷电状态是电池管理系统高效和安全运行的关键因素之一.以Thevenin模型为基础,运用递推最小二乘法,对模型参数进行估计并且定期更新.采用扩展卡尔曼滤波算法实现了对锂电池荷电状态的估算.仿真结果表明,该估算策略能保持很高的精度,并对观测噪声有很强的抑制作用.     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,...     

锂电池SOC和SOH的自适应联合在线估算方法

为了准确和快速地估算电动汽车运行过程中汽车电池的荷电状态(State of Charge, SOC)和健康状态(State of Health, SOH),提出一种基于遗忘因子最小二乘和可变时间尺度扩展卡尔曼滤波器的自适应联合估算算法。为了提高算法的效率和准确度,引入自适应遗忘因子递归最小二乘(Adaptive Forgetting Factor Recursive Least Square, AFFRLS)方法来识别电池模型中的参数,并采用可变时间尺度扩展卡尔曼滤波器(Variable Time Scale Extended Kalman Filter, VEKF)来指示SOC和SOH,以满足对电池动态状况进行在线快速估算的需求。应用动态应力测试(Dynamic Stress Test, DST)数据库验证了该方法的有效性,实验结果表明,该联合估算方法可以获取准确的电池模型,并实现在线状态估算。     

基于UKF的电动汽车锂电池SOC估计方法

准确估计电池的荷电状态(SOC,state of charge)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型建立了状态空间方程组,采用无色卡尔曼滤波(UKF,unscented Kalman filtering)算法实现非线性条件下的SOC准确估计。硬件在环仿真试验表明:UKF估计误差小于5%,且当SOC值低于50%时,其估计结果明显优于扩展卡尔曼滤波(EKF,extended Kalman filtering)方法,有较高的实用价值。     

基于Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)是电动汽车能量控制的重要参数.针对串联锂电池组的SOC估计问题,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

基于Thevenin模型和UKF的锂电池SOC估算方法研究

为解决在多种工况下锂电池实时估算困难、估算精度不高等问题,以三元锂电池为研究对象,建立Thevenin模型,对电池的工作特性进行表征。综合多种工况对锂电池工作特性进行研究分析,避免了依据电池内部复杂结构建立等效模型的困难。考虑到估算初期荷电状态(SOC)准确性对于后期估算的重要性,首先用开路电压法标定初值,然后运用无迹卡尔曼滤波(UKF)算法进行估算跟踪。UKF算法基于无迹变换,没有忽略高阶项,对于非线性分布具有较高的计算精度。在Matlab/Simulink中搭建仿真模型并结合多种工况数据进行分析。试验结果表明,Thevenin模型能够较好地对锂电池SOC进行估算,收敛速度快、跟踪效果好且能将估算误差控制在0.8%以内,验证了UKF在对锂电池进行SOC估算时具有较高的精度。     

基于UD分解自适应KEF的锂电池 SOC估算

电池荷电状态(SOC)是电池重要的性能指标之一,为电池管理系统实现管理控制提供了重要依据。针对卡尔曼滤波算法不能预估和修正噪声的问题,引入改进的Sage-Husa噪声估计器,构成自适应扩展卡尔曼滤波算法AEKF)估算动力锂电池SOC,同时针对计算机在进行浮点运算时存在单位舍入误差问题,采用UD分解算法,保证任意时刻状态估计协方差矩阵的对称正定性,限制由于计算误差引起的滤波发散,提高算法的精度和稳定性,通过MATLAB仿真对本文算法进行了验证,并与标准EKF算法进行比较,结果表明该算法具有较高的估算精度和稳定性,可以满足应用要求。     

基于动态遗忘因子递推最小二乘法的永磁同步电机参数辨识算法

针对固定遗忘因子递推最小二乘法(RLS)在永磁同步电机参数识别中难以同时保证快速性和鲁棒性的问题,提出一种动态调节遗忘因子大小的递推最小二乘参数识别算法.分析了遗忘因子对RLS算法的影响特性,以理论模型与实际模型输出的差值为变量构建遗忘因子调节函数,实现遗忘因子动态调整.仿真结果表明,相比于固定遗忘因子RLS算法,改进...     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准确和累计误差的问题。     

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一,有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象,采用二阶阻容(RC)等效电路模型构建锂离子电池模型,通过递推最小二乘法(RLS)对等效模型参数进行在线辨识,并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法,以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正,以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度,并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明,HPPC工况下的SOC误差稳定控制在0.78%以内,验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据,对锂离子电池SOC估算研究具有启发意义。     

基于改进UKF算法的锂电池SOC精准估算

针对准确估算电池荷电状态(SOC)值存在着很多难点,且目前无迹卡尔曼滤波法(UKF)存在稳定性差,精度不高的问题,提出改进的UKF算法.加入球型选点规则,降低噪声对仿真的影响,实现非线性条件下锂电池SOC的准确估算.仿真结果表明:改进的UKF估算锂电池SOC时误差控制在1％以内,而扩展卡尔曼滤波法(EKF)和标准UKF...     

基于容积卡尔曼滤波算法估计动力锂电池荷电状态

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进而基于容积卡尔曼滤波方法对锂电池荷电状态进行建模,建立了基于数字信号处理器的充放电实验平台,实现了锂电池放电时荷电状态的实时估算。实验结果表明,该方法能够实现实时在线估算,且最大误差小于 2%,具有良好的估算精度。     

基于充电方式的锂电池SOC 校准和估计方法

荷电状态(SOC)是动力锂电池的重要参数.针对安时法估计锂电池SOC存在累积误差,其他估计算法复杂度较高的问题,提出一种工程实用的SOC估计方法.该方法通过分析电池特性并结合安时法,建立了SOC初始值、总容量和累积误差的校准方法.通过建立终端电压与SOC之间的映射关系,利用恒流、恒压不同充电阶段的电池特性,实现了电池系统在一个放电周期内的SOC高精度估计.实验表明,该方法能够使得SOC的估计误差在5%以内.     

多算法结合的汽车参数和状态估计方法研究

为实时准确获取汽车参数及状态信息以提高汽车主动安全性能,提出了一种多算法结合的自适应估计算法。该算法将递推最小二乘算法、蚁群优化算法及容积卡尔曼滤波算法进行有效结合,同时将含有不准确模型参数及未知时变噪声的三自由度非线性整车模型作为标称模型。采用递推最小二乘算法实时估计汽车参数,引入蚁群优化算法实时跟踪容积卡尔曼滤波器的过程噪声及量测噪声,根据目标函数对噪声协方差进行寻优,以解决系统的噪声时变问题,从而获取汽车状态的准确估计。基于CarSim/Simulink的仿真实验结果表明,该算法的状态估计精度高,且具备汽车模型参数校正能力,可以满足系统的控制需要。     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑...